一、基于机器负载平衡求解非标准Job-Shop调度问题的算法（论文文献综述）
杨博见[1]（2021）在《基于多Agent的航空结构件柔性制造车间动态调度方法研究》文中研究表明随着现代飞机性能需求的不断增多以及制造业逐渐向智能化的方向发展,航空制造业也进入了一个新的发展阶段。但由于我国航空工业起步较晚,当前航空制造智能车间的数字化与信息化程度较低,对作业柔性与可拓展性考虑不足,车间内离散的制造资源和数据并未得到充分利用,设备利用率与整体生产效率不高。车间调度是整个制造系统的核心环节,优化生产调度流程,实现智能车间内作业有序、高效的执行,对缩短生产周期、提高生产效率、乃至航空强国的建设具有非常重要的意义。本文以航空结构件的柔性生产车间为研究对象,以Agent技术和规则调度方法为关键技术,对调度过程中不同阶段的运行机制进行改进,开发了可视化交互的动态调度平台。具体研究内容如下:（1）构建了基于多Agent系统的柔性制造动态调度系统。调研航空结构件柔性生产车间的组成部分与运行流程,根据调研结果以及Agent建模方法,采用基于功能与基于物理结合的方式映射Agent对象,划分了各Agent的类型与职责;选取合同网协议为多Agent系统的协商机制,并在此基础上设计了一种基于混合式组织结构的柔性制造动态调度系统基本架构。（2）设计了适应航空结构件加工环境的动态调度策略。根据航空结构件的加工特点,对调度过程中任务分解、机床选择、任务分配三个步骤的运行机制进行了改进,形成了基于工序块的任务分解机制、基于加工精度的机床选择机制以及基于调度规则的动态时间窗调度方法;然后,通过将以上机制与改进合同网协议相结合,形成了航空结构件加工常规调度策略,并在此基础上设计了基于事件驱动机制的异常调度策略,提高了系统的鲁棒性。（3）开发了多Agent航空结构件柔性制造动态调度平台。根据实际调度流程分析了调度平台的功能需求,完成了平台软件架构的设计以及My SQL数据库的设计。采用基于Java的JADE框架以及Swing工具包开发了可视化交互的动态调度平台,并以该平台为基础设计了两个验证有效性的仿真实验。最终通过结果分析,验证了本文动态调度策略在航空结构件加工场景下的可行性。
陈魁[2]（2021）在《基于改进粒子群算法的柔性作业车间调度研究》文中研究指明制造业是支撑现代工业技术发展的重要基础,伴随中国“一带一路”战略的实施,推动企业“走出去”发展,大批国内企业也在积极地寻找新的落脚点,开展国际化经营。在制造类企业的实际生产调度中,柔性作业车间调度的目的是为工序选择合理的加工机器和加工顺序,从而提高车间的生产效率、降低机器设备的损耗等。柔性作业车间调度问题相对于传统的作业车间调度问题增加了工件对机器的可选择性,即工件可以在多台机器中选择一台机器加工,更符合实际车间状态。本文采用改进粒子群算法解决考虑工件运输情况和加入自动搬运车的柔性作业车间调度问题,具体工作如下:首先,通过总结柔性车间调度问题的国内外研究情况,分析目前此类问题研究中的不足,寻找本课题的出发点,并选用粒子群算法求解此类优化问题。其次,针对单目标和多目标优化问题,改进了适用于求解这两类问题的粒子群算法。针对单目标柔性作业车间调度问题,在离散粒子群算法中引入邻域搜索算法和竞争学习机制,分别提高粒子群算法的局部探索和全局开发能力。针对多目标柔性作业车间调度问题,为了保证解集在收敛的同时又能均匀分布在解空间,进而在粒子群算法中结合了小生境技术,将种群划分为多个小种群,在粒子群优化过程中用小种群邻域最优解代替全局最优解,保持粒子在广阔空间寻优,通过控制优化过程中小生境的数量实现算法的收敛。并通过仿真实验分别验证了以上两种改进算法在求解单目标和多目标柔性作业车间调度问题时的可行性和有效性。最后,研究了在复杂约束条件下的柔性作业车间调度问题。针对考虑工件运输时间的柔性作业车间调度问题,设计了动态初始化方法,提高了初始解的质量,从而加快算法的收敛。针对含有自动搬运车的柔性作业车间调度问题,建立了机器和自动搬运车双资源约束的集成调度模型,设计启发式初始化方法提高了种群初始解的质量。并通过仿真实验进行对比,结果表明本文改进的粒子群算法在求解这两类问题时可行高效。
张立果,黎向锋,左敦稳,张丽萍,唐浩[3]（2020）在《求解多目标柔性作业车间调度问题的两层遗传算法》文中提出多目标柔性作业车间调度是复杂加工系统中一类重要的调度问题。针对大多数算法求解多目标柔性作业车间调度问题所存在的稳定性差、搜索深度不够、无法对多目标中单一目标进行深入搜索的问题,对传统遗传算法作出改进,设计了一套新的交叉策略,并舍去选择算子,在此基础上提出了一种求解多目标问题的双层遗传算法。引入了信息熵的概念对所提算法优化后的种群进行了分析,并从最大完工时间、最大机器负载、机器总负载三个方面对经典案例进行测试。与其他同类算法相比,该双层遗传算法共获得了31个可支配其他算法所求解的非支配解,和96个新的支配解。实验结果表明,所提算法在保留种群多样性的同时,仍拥有较好的深度搜索能力和跳出局部最优的能力,体现了算法的可靠性。
文笑雨,王康红,孙海强,高亮[4]（2021）在《集成式工艺规划与车间调度问题研究现状及发展》文中指出集成式工艺规划与车间调度（IPPS）问题的研究对于制造系统整体性能的提高具有重要意义,综述与分析了近年来IPPS问题研究的发展现状。概述了IPPS的3种主要建模方法,分析了特定生产环境下工艺规划与车间调度进行集成的特殊性。从单目标优化与多目标优化两方面综述了IPPS求解方法的研究概况,分析了多目标IPPS求解方法研究中存在的问题。总结了不确定扰动下的IPPS问题及面向绿色制造的IPPS问题研究现状,分析了2种情况下IPPS模型构建和求解方法设计上带来的新问题。基于上述综述分析,展望了未来开展集成式工艺规划与车间调度问题研究的一些方向。
张立果[5]（2020）在《基于改进遗传算法的柔性作业车间调度优化研究》文中研究表明制造执行系统（Manufacturing Execution System,简称MES）是实现制造信息化及智能化的重要工具。而车间调度作为该系统的核心技术之一,是企业提高生产效率,降低生产成本的关键。因此,本文以制造企业典型的柔性作业车间为研究对象,基于改进遗传算法对单目标柔性作业车间调度、多目标柔性作业车间调度、模糊调度及动态调度等问题进行了系统研究,选题具有重要的研究价值和应用前景。本文主要研究内容及成果包括:1.针对单目标柔性作业车间调度问题对传统的遗传算法进行了深度改进（包括全主动调度的解码方式、多种交叉方式、改进交叉策略及变异策略、删除选择算子等）,从而使本文提出的改进遗传算法在寻优能力、寻优效率及算法稳定性上均有较大提升;并基于Kacem和Brandimarte案例对其测试,且通过与其他同类算法的比较证明了本文算法的有效性。2.针对多目标（最大完工时间、最大机器负载和最大总负载）柔性作业车间调度问题提出一种双层遗传算法,即结合了快速非支配排序和拥挤度计算的改进遗传算法;并使用Brandimarte案例对其测试,通过与其他同类算法的比较证明了该算法的有效性。3.以双层遗传算法为基础,结合变邻域算法对存在工件完工时间约束的问题进行了讨论,提供了一种新的解决方式,使得所求出的解在满足约束条件的前提下,拥有尽量小的最大完工时间。使用这种方式对本文提出的案例进行求解,并与其他方式进行比较,结果表明了本文所提方式的有效性。4.针对动态调度下模糊柔性作业车间调度问题进行了研究。提出了对于加工时间为模糊数的动态柔性作业车间调度问题,指出已完工工序的加工时间会对重调度方案产生较大影响。并在此基础上,提出了工件插入情况下的模糊柔性作业车间调度问题的算法框架,且使用改进遗传算法对其进行了测试;结果表明,本文的改进遗传算法对于模糊柔性作业车间调度问题依然优于大部分启发式算法,所提出的算法框架能有效提升重调度后的调度结果。5.使用Java语言和Eclipse开发环境开发了柔性作业车间调度原型系统。该系统以改进遗传算法为基础,拥有单目标调度、多目标调度及重调度功能,获得了多种调度结果,如甘特图、目标函数值变化图、机器负载图、调度报告等;并以南京某数控公司的实际案例作为实例对象,用其生成数据测试系统的各个功能模块。
刘正超[6]（2020）在《面向分布式制造的建材装备集团绿色生产调度研究》文中指出建材装备制造业是建材工业的重要支柱,是为建筑材料及其相关制品提供生产设备及技术支持的基础性产业。近些年,我国建材装备制造业面临着规模型企业占比小、制造资源集中度低、局部产能过剩以及企业间无序竞争等问题。因此,该产业正逐步通过集团式重组、合并等方式进行发展,由此形成了集团分布式制造模式。与此同时,随着温室效应、资源枯竭以及环境恶化成为全球性的难题,我国建材装备制造业作为传统的高投入、高消耗、高排放行业,其节能减排和绿色发展问题已经迫在眉睫。但是,由于该产业正处于集团式发展的初级阶段,集团企业内部组织机构的功能分配不够完善、集团总部对下属企业的管理能力不足等缺陷,导致了集团内部制造任务与制造资源的匹配度偏低,以及集团下属企业的制造目标不统一、协同制造水平较差等问题的凸显,进一步增加了建材装备集团企业的绿色转型难度。因此,本文针对建材装备集团分布式制造模式的特点,主要从多主体制造任务分配、执行以及协同生产管理三个方面对建材装备集团的绿色生产调度问题展开研究与探索,具体研究内容包括:（1）结合建材装备集团分布式制造模式的特征,对建材装备集团分布式生产调度过程的决策重点进行了研究。在此基础上,进一步对建材装备集团的绿色生产调度关键问题进行提炼,建立了面向分布式制造的建材装备集团绿色生产调度体系,为下文的研究提供了理论基础。（2）针对建材装备集团总部在制造任务分配过程中的绿色制造需求和多目标组合分配决策问题,提出了一种新型的集成多目标优化和人工神经网络的绿色制造任务分配优化方法,首先通过多目标优化获取大量包含决策者偏好特征的绿色制造任务分配仿真数据,随后设计相关的人工神经网络结构,并使用仿真数据对其训练,最后使用受训的人工神经网络对候选制造任务分配方案进行绿色优选,实现了建材装备集团制造任务分配过程的绿色优化。（3）针对建材装备集团下属企业在制造任务执行过程中的车间生产资源浪费问题,重点研究了考虑车间内部加工过程和运输过程综合能耗的绿色集成调度优化方法,构建了集成加工机器和运输设备调度的绿色优化模型,并设计了一种新型的带有绿色运输调度启发式策略的改进遗传算法对模型进行求解,实现了建材装备集团制造任务执行过程的绿色优化。（4）针对建材装备集团在绿色生产调度过程中发生的多主体协作冲突问题,建立了集成多目标优化和非合作博弈理论的冲突协调模型,并提出了一种新型的基于NSGA-和纳什均衡的冲突协调求解算法,通过调度优化、冲突检测、冲突协调三个过程为建材装备集团的绿色生产调度提供配套的冲突协调方案,实现了建材装备集团分布式制造的绿色协同生产管理。（5）根据论文中提出的优化理论与方法,以国内某建材装备集团企业的实际应用需求为基础,设计开发了面向分布式制造模式的建材装备集团绿色生产调度平台原型系统,重点研究了平台系统的软硬件架构及功能框架设计,并结合开发实例对平台系统的主要功能和应用效果进行了相关的展示说明。
曹乐[7]（2019）在《CPPS的多智能体架构与动态调度机制研究》文中进行了进一步梳理随着市场环境的变化和技术的发展,制造业的加工模式正在由大规模集中控制向分布式增强控制转变。为了适应这种变化,研究人员将信息物理融合技术与制造技术进行深度结合,形成信息物理融合生产系统（CPPS）。目前,关于CPPS的研究主要集中在CPPS设计和生产运营优化等方面,其中系统架构是CPPS设计的重要环节,并且针对选定的架构模式,研究与其匹配的调度机制也是当前CPPS运营优化研究的热点。鉴于此,本文在设计CPPS的体系和分析多智能体系统特点的基础上,提出了基于多智能体的CPPS架构。该架构利用智能体作为基本组件构建了一种动态混合式组织结构,实现了异构集成、泛在连接和虚实映射等功能,具有自治性、交互性和适应性等特点。接着,针对设计的CPPS架构,提出了双层调度机制。上层主要负责任务分配,下层加工单元主要负责工序调度。任务分配需要设计合适的协商机制。通过分析传统合同网协商机制的不足,本文提出内嵌Q-Learning的合同网（QL-CNP）作为上下层的协商机制,实现了任务的合理分配。下层的工序调度以静态调度问题为基础,讨论了动态事件下的重调度机制。对静态调度问题,本文采用了改进遗传算法进行求解。对动态重调度问题,本文考虑了紧急插单、机床故障和作业取消三种主要的扰动,采用改进遗传算法进行求解,并通过实例验证了改进遗传算法对该调度问题的有效性。最后,通过仿真对双层调度机制进行验证。仿真的结果表明双层调度机制能够有效适应CPPS分布式增强控制的需求,并且QL-CNP的调度结果要优于传统合同网的调度结果。
谢飞强[8]（2019）在《基于遗传算法的航天制造执行系统的研究》文中研究指明柔性生产是一个较为复杂的生产控制系统,而生产调度和生产过程中的实时监控是整个柔性生产过程中的关键。目前单位在数字化柔性生产线的建设和使用方面处于起步和探索阶段,尤其在批产与研制混流生产并存的运行过程中,还有诸多问题。数字化壳体生产线具有典型的离散型的制造特点,一般生产的壳体品种多、批量小,生产调度环节较为复杂,企业生产计划安排存在较大困难,计划排产主要依个人主观经验,最终导致产品生产的周期加长,在制品占总体用量较大,机床的利用率降低等,严重影响了小批量、多品种生产的经济效益,这些成为制约公司发展的障碍,急待解决。首先本文对国内外作业车间调度算法、发展状况进行了对比分析。其次,介绍了传统的遗传算法的基本原理,并对传统的遗传算法的缺陷提出了一种改进方案,并且通过分析验证了该改进方案的正确和有效。再次,对于柔性作业车间的调度问题进行了研究,详细分析了柔性作业车间的动态调度问题的数学约束、调度目标和目标函数,并对任务订单经济插入和加工设备发生不可预知的故障这两种具有代表性的情况进行了分析。设计了一种事件驱动和综合周期驱动的混合调度方案,同时结合了滚动窗口技术优化调度。针对本章节提出的算法和调度方案进行实例验证。本文结尾,关于车间调度系统进行功能分析,确定了航天制造执行系统（MES）的功能模块,着重介绍了我单位MES系统的在实际生产过程中的应用,给出了一个应用的实例。通过开发数字化混流生产线动态管理与控制系统,实现生产线实时动态排产,可以最大化提高资源利用率;可提高数字化产品生产线自动化水平,提升型号研制与批产快速转换能力,提升产品混线生产管理能力和制造执行能力。
黄河知源[9]（2017）在《工艺不确定再制造车间调度算法研究》文中指出随着经济快速发展、产品更新换代加快,现阶段的废旧机电产品的种类和数量出现爆发式增长。国家为了重新利用这些资源以及减少污染的产生,大力提倡绿色经济和循环经济,再制造工程应运而生。车间优化调度是实现制造企业生产高效率、高柔性和高可靠性的关键技术之一,现阶段对于标准的车间调度模型已经有了很多成果,但是由于再制造过程中存在的诸多不确定因素,使得关于再制造车间调度问题的研究成果并不多见,理论与实际应用还有较大差距。工艺规划是进行调度的前提,本文的研究重点为工艺不确定的再制造车间调度,对于实现再制造企业的高效率、高柔性生产具有重要的理论价值和实际意义。全文研究内容如下:1)针对传统快速非支配排序遗传算法（NSGAⅡ）的不足,提出改进NSGAⅡ算法,具体改进措施包括:采用删除重复个体、引入新个体的措施保证种群进化过程中的多样性、设计一种基于相似度的交叉方法,以保证交叉操作前期的交叉效率并防止后期所产生的无效交叉操作、设计局部搜索算子改善遗传算法局部搜索能力较弱的缺陷以加速收敛。2)以最小化最大完工时间和最小化总拖期时间为优化目标建立车间调度模型。针对14个作业车间调度的标准算例,用改进NSGAⅡ、强度帕累托算法（SPEA）、多目标进化算法（CMOEA）、多目标粒子群算法（MOPSO）进行求解。分别从各优化目标值、Pareto前沿分布图和各解集之间的相互支配关系来比较,比较结果表明本文算法所得解集的优化目标函数值更优、解集所包含解的个数更多。3)研究再制造过程中实际存在的工艺路径特点,提出一种工艺规划与调度集成优化和重调度策略相结合的方法解决工艺路径不确定的问题。针对传统工艺规划与调度集成优化的算法流程中工艺与调度部分分步进行优化的不足,提出一种新的多维编码方式和工艺与调度同步优化的算法流程。以最小化最大完工时间、最小化总拖期时间、最小化总流程时间、最小化机器总负载、最小化最大机器负载为优化目标建立再制造车间调度模型。最后针对算例,运用本文同步优化流程的NSGAⅡ算法与传统分步优化流程的NSGAⅡ算法、蜜蜂繁殖优化算法（HBMO）算法进行求解,对结果进行各目标平均值、最大值、最小值、标准差数值和收敛迭代图的比较,结果表明本文提出的同步优化算法流程所得解集的优化目标函数值更优、持续进化能力更强。
卢超[10]（2017）在《加工时间可控的多目标车间调度问题研究》文中提出车间调度问题是现代制造系统中亟需解决的组合优化问题之一。在传统车间调度的研究中,工件加工时间通常被假定为常量,但是实际生产中的工件加工时间是可变的,它可通过消耗可用的额外资源（如,燃料、人力、机器、能耗以及资金等）加以控制。同时,由于压缩工件加工时间可在一定程度上提高生产效率,所以实际生产中工件加工时间往往会有所调整。因此,考虑加工时间可控的车间调度更加符合实际生产。然而,相比于传统车间调度问题,由于考虑了加工时间可控的特性,该问题的求解难度会更大,这也导致了针对该问题的研究进展缓慢。尽管相关研究可追溯到1980年,但是多数研究主要集中在相对简单的单机调度类型上,缺乏针对更复杂车间调度类型的研究成果。因此,亟需对加工时间可控的车间调度问题进行更系统和深入的研究。此外,由于控制加工时间需消耗额外资源,会导致成本的增加,所以该问题本质上是一个多目标优化问题。基于上述原因,本文对多种类型的加工时间可控的多目标车间调度问题开展了系统深入地研究。本文的主要工作如下:针对加工时间可控的单机调度问题,建立了以同时最小化总加工延迟时间和额外资源总消耗量为目标的数学模型,提出了一种基于遗传算法（GeneticAlgorithm,GA）与灰狼优化算法（Grey Wolf Optimizer,GWO）相混合的MODGWO方法。结合问题的特点,设计了一种新的离散编码机制,该编码机制包含了工件排序向量和工件实际加工时间向量两层信息,通过实验证明了该编码方式的可行性和有效性。为了提高算法的搜索多样性和收敛性,提出了两种策略来改善算法性能。为了测试MODGWO算法的性能,将MODGWO与NSGA-Ⅱ、PAES及SPEA2进行了实验对比。实验结果表明MODGWO在大多数问题上要优于其它算法。针对加工时间可控的不相关并行机调度问题,建立了以同时最小化Makespan和额外资源总消耗为目标的数学模型,该模型考虑了依赖工件序列的准备时间。为了求解该类调度问题,本文提出了一种基于GA与病毒优化算法（Virus Optimization Algorithm,VOA）相结合的MODVOA方法。结合问题的特点,设计了一种新的离散编码机制。为了评价MODVOA算法的性能,将MODVOA与NSGA-Ⅱ、SPEA2及MODGWO进行了实验结果对比。实验结果表明提出的MODVOA算法在大多数问题上要好于其它对比算法。针对加工时间可控的流水车间调度问题,首先建立了以同时最小化Makespan和机器负载总惩罚量为目标的数学模型,该模型考虑了依赖工件序列的准备时间与依赖工件的传输时间。由于单机调度与流水车间调度有相似的特点（均需对工序进行排序）,所以以提出的单机调度算法为基础,开发了一种多目标离散灰狼优化算法（MODGWO）来求解加工时间可控的流水车间调度问题。同时,根据问题的属性,引入了一种机器负载降低策略。为了评价MODGWO的性能,将MODGWO与NSGA-Ⅱ、SPEA2及MODVOA进行了实验对比,实验结果表明MODGWO在求解该类调度问题上要显着地优于其它算法。针对加工时间可控的柔性作业车间调度问题,构建了此类车间调度问题的数学模型,该模型的目标是同时最小化Makespan和额外附加资源总消耗。由于并行机调度与柔性作业车间调度有相似特点（均考虑机器可选）,以先前提出的并行机调度算法为基础,开发了一种混合多目标离散病毒优化算法,即MODVOA。该算法的创新点有:每个解包含了三层表达信息、改进的初始种群以及集成的更新操作算子。同时,在算法的搜索后期,采用了基于问题知识的开采机制操作以改善算法的局部搜索性能。为了评价MODVOA的性能,将MODVOA与其它MOEAs（如NSGA-Ⅱ、SPEA2和MODGWO）进行了实验对比,实验结果表明MODVOA在求解该类调度问题上要优于其它算法。本文结合上述理论成果和焊接车间以及发动机冷却风扇加工车间的生产情况,分析了实际车间中存在的加工时间可控的多目标调度问题,将本文的理论成果应用于实际车间的生产,结果表明本文提出的多目标调度优化算法的实用性。最后对全文的成果以及创新之处进行了总结,并展望了未来的研究方向。
二、基于机器负载平衡求解非标准Job-Shop调度问题的算法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于机器负载平衡求解非标准Job-Shop调度问题的算法（论文提纲范文）
（1）基于多Agent的航空结构件柔性制造车间动态调度方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 柔性作业车间调度问题的研究现状 |
| 1.2.2 车间动态调度策略的研究现状 |
| 1.2.3 多Agent生产调度系统的研究现状 |
| 1.3 研究内容及论文结构 |
| 1.3.1 课题来源 |
| 1.3.2 主要研究内容 |
| 第二章 多Agent柔性制造动态调度系统设计方法 |
| 2.1 Agent技术概述 |
| 2.1.1 Agent定义与特征 |
| 2.1.2 Agent的映射方式 |
| 2.1.3 Agent基本结构 |
| 2.2 调度流程分析与Agent功能设计 |
| 2.2.1 柔性作业车间生产调度流程分析 |
| 2.2.2 Agent分类与功能设计 |
| 2.3 多Agent柔性制造动态调度系统结构设计 |
| 2.3.1 多Agent系统的组织结构 |
| 2.3.2 多Agent系统的协商机制 |
| 2.3.3 调度系统组织结构设计 |
| 2.4 本章小结 |
| 第三章 基于CNP与航空结构件加工特点的动态调度策略研究 |
| 3.1 柔性作业车间调度问题及其解决方案 |
| 3.1.1 问题描述 |
| 3.1.2 柔性作业车间调度问题的数学模型 |
| 3.1.3 基于CNP的传统协商机制分析 |
| 3.2 基于航空结构件加工特点的任务处理机制 |
| 3.2.1 航空结构件加工特点分析 |
| 3.2.2 基于工序块的任务分解机制 |
| 3.2.3 基于加工精度的机床选择机制 |
| 3.2.4 基于调度规则的动态时间窗调度方法 |
| 3.3 基于改进CNP的航空结构件加工动态调度策略 |
| 3.3.1 航空结构件加工常规调度策略 |
| 3.3.2 异常调度驱动机制分类 |
| 3.3.3 航空结构件加工异常调度策略 |
| 3.4 本章小结 |
| 第四章 多Agent航空结构件柔性制造动态调度平台的实现 |
| 4.1 调度平台概况 |
| 4.1.1 调度平台的功能模块设计 |
| 4.1.2 调度平台总体软件架构 |
| 4.2 多Agent调度系统的程序设计与实现 |
| 4.2.1 系统开发环境及工具 |
| 4.2.2 系统数据库设计 |
| 4.2.3 Agent程序设计 |
| 4.3 调度平台交互界面的设计与实现 |
| 4.3.1 用户管理模块 |
| 4.3.2 任务管理模块 |
| 4.3.3 调度模块 |
| 4.3.4 生产监控模块 |
| 4.3.5 帮助模块 |
| 4.4 本章小结 |
| 第五章 动态调度平台仿真实验与结果分析 |
| 5.1 仿真实验环境设置 |
| 5.2 动态时间窗与固定时间窗调度方法对比实验 |
| 5.3 航空结构件加工异常调度策略有效性验证实验 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（2）基于改进粒子群算法的柔性作业车间调度研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题来源 |
| 1.2 研究背景 |
| 1.3 国内外研究现状 |
| 1.4 粒子群算法概述 |
| 1.5 本文的创新点 |
| 1.6 文章结构 |
| 第二章 单目标柔性作业车间调度问题研究 |
| 2.1 引言 |
| 2.2 FJSP问题描述与建模 |
| 2.3 改进离散粒子群算法求解单目标FJSP |
| 2.4 仿真实验 |
| 2.5 小结 |
| 第三章 多目标柔性作业车间调度问题研究 |
| 3.1 引言 |
| 3.2 多目标FJSP的评价指标 |
| 3.3 多目标优化 |
| 3.4 多目标FJSP的数学模型 |
| 3.5 小生境粒子群算法 |
| 3.6 仿真实验 |
| 3.7 小结 |
| 第四章 考虑运输时间的柔性作业车间调度问题研究 |
| 4.1 引言 |
| 4.2 考虑运输时间FJSP的问题描述与建模 |
| 4.3 动态初始化 |
| 4.4 考虑运输时间的柔性作业车间调度问题的求解方法 |
| 4.5 仿真实验 |
| 4.6 小结 |
| 第五章 含AGV的柔性作业车间调度问题研究 |
| 5.1 引言 |
| 5.2 问题描述与建模 |
| 5.3 编码与解码 |
| 5.4 启发式初始化 |
| 5.5 AGV与机器双资源集成调度的求解方法 |
| 5.6 仿真实验 |
| 5.7 小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简介 |
| 附录 |
（3）求解多目标柔性作业车间调度问题的两层遗传算法（论文提纲范文）
| 0 引言 |
| 1 问题描述及数学模型 |
| 1.1 问题描述 |
| 1.2 参数设置 |
| 1.3 目标函数 |
| 1.4 约束条件 |
| 2 双层遗传算法 |
| 2.1 遗传算法 |
| 2.1.1 编码与解码 |
| 2.1.2 初始化方法 |
| 2.1.3 交叉方式 |
| 2.1.4 变异方式 |
| 2.2 面向单目标的改进遗传算法 |
| 2.2.1 改进交叉策略和选择策略 |
| 2.2.2 删除选择算子 |
| 2.2.3 改进遗传算法框架 |
| 2.3 面向多目标的双层遗传算法 |
| 3 实验与结果分析 |
| 3.1 测试删除选择算子的有效性 |
| 3.2 Kacem算例单目标测试结果 |
| 3.3 Brandimarte算例单目标测试结果 |
| 3.4 Brandimarte案例多目标测试结果 |
| 4结语 |
（4）集成式工艺规划与车间调度问题研究现状及发展（论文提纲范文）
| 1 IPPS问题研究现状 |
| 1.1 IPPS建模方法的研究概况 |
| 1.2 IPPS求解方法的研究概况 |
| 2 不确定扰动下的IPPS问题研究现状 |
| 3 面向绿色制造的IPPS问题研究现状 |
| 4 研究展望 |
（5）基于改进遗传算法的柔性作业车间调度优化研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和研究意义 |
| 1.2 柔性作业车间调度的数学模型 |
| 1.3 柔性作业车间调度的国内外研究现状 |
| 1.3.1 单目标柔性作业车间调度问题 |
| 1.3.2 多目标柔性作业车间调度问题 |
| 1.3.3 柔性作业车间模糊调度问题与动态调度问题 |
| 1.4 研究内容 |
| 1.5 论文结构 |
| 第二章 基于改进遗传算法的单目标柔性作业车间调度研究 |
| 2.1 前言 |
| 2.2 传统遗传算法 |
| 2.3 改进遗传算法 |
| 2.3.1 编码与解码 |
| 2.3.2 初始化方法 |
| 2.3.3 交叉算子的选择 |
| 2.3.4 变异算子的选择 |
| 2.3.5 改进交叉策略和变异策略 |
| 2.3.6 删除选择算子 |
| 2.3.7 改进遗传算法的框架 |
| 2.4 实验结果与分析 |
| 2.4.1 交叉算子选择测试 |
| 2.4.2 解码方式和混合交叉算子测试 |
| 2.4.3 选择算子删除与否及不同初始化方法的测试 |
| 2.4.4 Kacem案例测试结果 |
| 2.4.5 Brandimarte案例测试结果 |
| 2.5 本章小结 |
| 第三章 基于双层遗传算法的多目标柔性作业车间调度研究 |
| 3.1 前言 |
| 3.2 析取图模型介绍 |
| 3.3 第二代非支配排序遗传算法(NSGAⅡ)介绍 |
| 3.4 非支配解集原理及实现方法 |
| 3.5 双层遗传算法 |
| 3.6 变邻域算法 |
| 3.6.1 析取图模型的解码与染色体模型间相互转化 |
| 3.6.2 邻域结构 |
| 3.6.3 变邻域算法的求解流程 |
| 3.7 实验结果与分析 |
| 3.7.1 遗传算法模块的种群质量测试 |
| 3.7.2 Brandimarte案例的多目标测试结果 |
| 3.7.3 存在时间约束的柔性作业车间调度问题 |
| 3.8 本章小结 |
| 第四章 工件插入的模糊柔性作业车间调度研究 |
| 4.1 前言 |
| 4.2 模糊调度介绍 |
| 4.3 动态模糊柔性作业车间调度理论 |
| 4.3.1 动态柔性作业车间调度问题 |
| 4.3.2 模糊状态下的动态调度问题 |
| 4.3.3 动态调度下工序的分类 |
| 4.4 求解模糊柔性作业车间调度问题的改进遗传算法 |
| 4.5 工件插入的柔性作业车间模糊调度框架设计 |
| 4.5.1 工件插入的模糊调度处理方式 |
| 4.5.2 工件插入的模糊调度变量设计 |
| 4.5.3 工件插入的模糊调度模块设计 |
| 4.5.4 工件插入的模糊调度框架设计 |
| 4.6 计算结果与分析 |
| 4.6.1 算法性能测试 |
| 4.6.2 工件插入的模糊调度框架可行性测试 |
| 4.7 本章小结 |
| 第五章 柔性作业车间调度系统设计及开发 |
| 5.1 前言 |
| 5.2 系统总体框架设计 |
| 5.3 系统数据流分析 |
| 5.4 系统运行流程分析 |
| 5.5 数据库开发设计 |
| 5.6 用户分类与权限 |
| 5.7 系统功能模块设计与实现 |
| 5.7.1 基本数据设置模块 |
| 5.7.2 工程设置模块 |
| 5.7.3 调度模块与动态调度模块 |
| 5.8 应用实例 |
| 5.8.1 开发环境 |
| 5.8.2 实例测试 |
| 5.9 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
（6）面向分布式制造的建材装备集团绿色生产调度研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 我国建材装备制造行业的发展现状 |
| 1.1.2 建材装备制造企业集团式发展面临的挑战 |
| 1.2 课题的提出 |
| 1.3 研究目的及意义 |
| 1.4 相关领域国内外研究现状 |
| 1.4.1 分布式制造模式概述 |
| 1.4.2 分布式生产调度理论研究现状 |
| 1.4.3 绿色生产调度优化理论研究现状 |
| 1.4.4 生产调度冲突协调方法研究现状 |
| 1.5 现有研究存在的局限与不足 |
| 1.6 课题项目支撑 |
| 1.7 论文研究内容 |
| 第二章 面向分布式制造的建材装备集团绿色生产调度体系 |
| 2.1 概述 |
| 2.2 建材装备集团分布式制造模式分析 |
| 2.2.1 建材装备集团分布式制造模式特点 |
| 2.2.2 建材装备集团制造任务特征 |
| 2.2.3 面向分布式制造的建材装备集团生产调度决策重点 |
| 2.3 面向分布式制造的建材装备集团绿色生产调度体系设计 |
| 2.3.1 建材装备集团绿色生产调度关键问题分析 |
| 2.3.2 面向分布式制造的建材装备集团绿色生产调度体系结构 |
| 2.4 本章小结 |
| 第三章 面向分布式制造的集团总部绿色制造任务分配优化方法 |
| 3.1 概述 |
| 3.2 绿色制造任务分配优化方法 |
| 3.2.1 问题描述 |
| 3.2.2 优化方法总体流程 |
| 3.2.3 多目标优化执行过程 |
| 3.2.4 人工神经网络执行过程 |
| 3.3 相关执行算法设计 |
| 3.3.1 人工神经网络结构设计 |
| 3.3.2 动态步长萤火虫群优化算法设计 |
| 3.4 实例分析 |
| 3.4.1 实例数据 |
| 3.4.2 神经网络训练集构建 |
| 3.4.3 人工神经网络训练 |
| 3.4.4 人工神经网络应用 |
| 3.5 本章小结 |
| 第四章 面向分布式制造的集团下属企业绿色车间集成调度优化方法 |
| 4.1 概述 |
| 4.2 绿色车间集成调度优化模型 |
| 4.2.1 问题描述 |
| 4.2.2 车间集成调度环境影响分析 |
| 4.2.3 车间集成调度综合能耗优化模型 |
| 4.2.4 基于混合整数规划的绿色车间集成调度优化模型 |
| 4.3 模型求解算法设计 |
| 4.3.1 算法总体结构设计 |
| 4.3.2 编码方式 |
| 4.3.3 绿色运输调度启发式策略设计 |
| 4.3.4 遗传算法设计 |
| 4.3.5 萤火虫群优化算法设计 |
| 4.4 实例分析 |
| 4.4.1 实例数据 |
| 4.4.2 性能对比实验 |
| 4.4.3 能耗对比实验 |
| 4.4.4 综合对比实验 |
| 4.5 本章小结 |
| 第五章 面向分布式制造的集团绿色生产调度冲突协调方法 |
| 5.1 概述 |
| 5.2 绿色生产调度冲突协调模型 |
| 5.2.1 问题描述 |
| 5.2.2 模型假设 |
| 5.2.3 多目标集团生产调度优化模型 |
| 5.2.4 多主体协作冲突检测模型 |
| 5.2.5 基于非合作博弈的冲突协调模型 |
| 5.3 基于NSGA-和纳什均衡的求解算法 |
| 5.3.1 多导向NSGA-算法 |
| 5.3.2 冲突协调算法求解过程 |
| 5.4 实例分析 |
| 5.4.1 实例数据 |
| 5.4.2 多目标优化性能分析 |
| 5.4.3 非合作博弈分析 |
| 5.4.4 冲突协调结果分析 |
| 5.5 本章小结 |
| 第六章 面向分布式制造的集团绿色生产调度平台开发与应用 |
| 6.1 概述 |
| 6.2 平台开发背景与运行环境 |
| 6.2.1 平台开发背景 |
| 6.2.2 平台开发相关软硬件工具 |
| 6.2.3 平台开发环境与架构分析 |
| 6.3 平台开发设计与实现 |
| 6.3.1 平台功能框架设计 |
| 6.3.2 集团分布式绿色生产调度功能设计 |
| 6.3.3 集团绿色生产调度冲突协调功能设计 |
| 6.4 平台应用实例 |
| 6.4.1 集团制造任务信息构建 |
| 6.4.2 集团总部级绿色制造任务分配 |
| 6.4.3 下属企业级绿色车间集成调度 |
| 6.4.4 集团绿色生产调度冲突协调 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 全文总结 |
| 7.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 A:攻读学位期间发表的学术论文 |
| 附录 B:攻读学位期间参与的科研课题 |
| 附录 C:项目验收报告 |
| 附录 D:论文相关符号定义 |
（7）CPPS的多智能体架构与动态调度机制研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 相关问题研究现状 |
| 1.2.1 CPPS相关需求的国内外研究现状 |
| 1.2.2 多智能体制造系统的国内外研究现状 |
| 1.2.3 作业车间调度国内外研究现状 |
| 1.2.4 研究现状总结 |
| 1.3 主要研究内容和结构框架 |
| 1.3.1 主要研究内容 |
| 1.3.2 论文结构框架 |
| 2 多智能体CPPS的架构 |
| 2.1 引言 |
| 2.2 CPPS特征分析和体系设计 |
| 2.2.1 CPPS的体系结构分析 |
| 2.2.2 CPPS的基本逻辑单元分析 |
| 2.2.3 CPPS的体系设计 |
| 2.3 智能体结构设计 |
| 2.3.1 智能体类型 |
| 2.3.2 智能体内部结构分析与设计 |
| 2.4 CPPS的多智能体架构 |
| 2.4.1 多智能体系统的结构类型分析 |
| 2.4.2 动态混合式组织结构设计 |
| 2.5 本章小结 |
| 3 基于QL-CNP的任务动态分配机制 |
| 3.1 引言 |
| 3.2 协商机制设计要求与传统CNP分析 |
| 3.2.1 协商机制设计要求 |
| 3.2.2 基于CNP的多智能体系统的协商机制分析 |
| 3.3 马尔可夫过程和Q-Learning基本原理 |
| 3.3.1 马尔可夫过程 |
| 3.3.2 Q-Learning基本原理 |
| 3.4 基于QL-CNP的任务动态分配机制设计 |
| 3.4.1 基于QL-CNP的任务分配机制 |
| 3.4.2 QL-CNP中Q-Learning算法的各要素设计 |
| 3.5 本章小结 |
| 4 基于改进遗传算法的单元内调度 |
| 4.1 引言 |
| 4.2 多目标的FJSSP模型 |
| 4.2.1 多目标的FJSSP描述 |
| 4.2.2 多目标的FJSSP建模 |
| 4.2.3 决策子目标权重确定 |
| 4.3 改进遗传算法设计 |
| 4.3.1 染色体编码规则设计 |
| 4.3.2 交叉操作设计 |
| 4.3.3 变异操作设计 |
| 4.3.4 选择操作设计 |
| 4.4 改进遗传算法的实例验证 |
| 4.5 本章小结 |
| 5 基于改进遗传算法的单元动态重调度 |
| 5.1 引言 |
| 5.2 重调度问题描述及策略设计 |
| 5.2.1 重调度问题数学建模 |
| 5.2.2 动态事件处理策略 |
| 5.2.3 重调度驱动机制设计 |
| 5.3 改进遗传算法在重调度问题上的验证 |
| 5.3.1 动态事件在遗传算法中的体现 |
| 5.3.2 重调度实例验证 |
| 5.4 本章小结 |
| 6 双层调度机制仿真验证分析 |
| 6.1 引言 |
| 6.2 上下层目标一致的双层调度机制仿真验证分析 |
| 6.3 上下层目标不一致的双层调度机制仿真验证分析 |
| 6.4 本章小结 |
| 7 总结与展望 |
| 7.1 工作总结 |
| 7.2 工作展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（8）基于遗传算法的航天制造执行系统的研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 车间调度问题现状 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.3 生产调度问题的分类 |
| 1.3.1 根据车间生产环境分类 |
| 1.3.2 根据作业车间加工设备分类 |
| 1.3.3 根据不同的调度目标分类 |
| 1.4 车间调度问题的解决方法 |
| 1.4.1 规则调度法 |
| 1.4.2 局部搜索方法 |
| 1.4.3 遗传算法与进化算法 |
| 1.5 本文的主要内容和组织结构 |
| 第2章 改进遗传算法 |
| 2.1 引言 |
| 2.2 遗传算法的基本流程 |
| 2.2.1 遗传算法求解调度问题的编码 |
| 2.2.2 适应度函数 |
| 2.2.3 遗传算子 |
| 2.2.4 初始种群设定 |
| 2.2.5 参数选择 |
| 2.2.6 终止条件 |
| 2.3 遗传算法的优缺点 |
| 2.4 改进的遗传算法 |
| 2.4.1 自适应的适值函数 |
| 2.4.2 自适应遗传算法的操作过程设计 |
| 2.5 实例验证 |
| 2.6 本章小结 |
| 第3章 基于改进遗传算法的柔性作业车间调度问题研究 |
| 3.1 柔性车间调度问题 |
| 3.1.1 柔性车间调度问题的描述 |
| 3.1.2 柔性作业车间调度问题的数学表达式 |
| 3.2 算法设计 |
| 3.2.1 改进遗传编码和解码 |
| 3.2.2 交叉操作 |
| 3.2.3 变异操作 |
| 3.2.4 基于改进遗传算法的柔性作业车间的调度方案 |
| 3.3 具体实例和结果分析 |
| 3.4 本章小结 |
| 第4章 基于改进遗传算法的动态调度问题优化方案 |
| 4.1 车间动态调度问题数学模型的建立与求解方法 |
| 4.1.1 车间动态调度问题的描述 |
| 4.1.2 动态调度策略 |
| 4.2 基于改进遗传算法车间的动态调度方案 |
| 4.2.1 车间动态调度问题运算的流程介绍 |
| 4.2.2 动态调度的改进遗传算法设计 |
| 4.2.3 两种动态事件的处理 |
| 4.3 实验结果及分析 |
| 4.4 本章小结 |
| 第5章 基于遗传算法的航天制造执行系统开发与运行结果 |
| 5.1 引言 |
| 5.2 航天制造执行系统主要内容和实现途径 |
| 5.2.1 系统的主要内容 |
| 5.2.2 系统具体的实现途径 |
| 5.3 航天制造执行系统开发与运行环境 |
| 5.3.1 系统开发的环境及其模式 |
| 5.3.2 基于遗传算法的航天制造执行系统的测试和应用 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 个人简历 |
（9）工艺不确定再制造车间调度算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状 |
| 1.2.1 工艺不确定再制造车间调度研究现状 |
| 1.2.2 调度算法的研究现状 |
| 1.2.3 问题分析 |
| 1.3 研究内容 |
| 第2章 改进NSGAⅡ算法设计 |
| 2.1 经典NSGAⅡ算法 |
| 2.1.1 算法的特点 |
| 2.1.2 算法的不足 |
| 2.2 改进NSGAⅡ算法的设计 |
| 2.2.1 编码与解码 |
| 2.2.2 种群初始化 |
| 2.2.3 交叉算子 |
| 2.2.4 变异算子 |
| 2.2.5 局部搜索算子 |
| 2.2.6 算法的整体流程 |
| 2.3 本章小结 |
| 第3章 基于改进NSGAⅡ算法的作业车间调度 |
| 3.1 作业车间调度问题 |
| 3.1.1 作业车间调度问题描述 |
| 3.1.2 作业车间调度问题求解方法 |
| 3.1.3 作业车间问题建模 |
| 3.2 算例计算与分析 |
| 3.3 本章小结 |
| 第4章 工艺不确定的再制造车间调度 |
| 4.1 再制造车间描述及建模 |
| 4.1.1 再制造系统特征及不确定因素 |
| 4.1.2 工艺不确定问题的描述和解决 |
| 4.1.3 再制造车间调度问题建模 |
| 4.2 改进算法针对再制造车间调度的设计 |
| 4.2.1 编码与解码 |
| 4.2.2 种群初始化 |
| 4.2.3 交叉算子 |
| 4.2.4 变异算子 |
| 4.2.5 合法化算子 |
| 4.2.6 重调度策略 |
| 4.3 算例计算与结果分析 |
| 4.4 本章小结 |
| 结论与展望 |
| 参考文献 |
| 致谢 |
（10）加工时间可控的多目标车间调度问题研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题的来源、目的和意义 |
| 1.2 国内外研究现状 |
| 1.3 问题现状与分析 |
| 1.4 本文的研究内容及总体结构 |
| 2 加工时间可控的多目标单机调度问题研究 |
| 2.1 引言 |
| 2.2 问题描述与模型建立 |
| 2.3 基于混合GA-GWO求解加工时间可控的单机调度问题 |
| 2.4 数值实验 |
| 2.5 本章小结 |
| 3 加工时间可控的多目标并行机调度问题研究 |
| 3.1 引言 |
| 3.2 问题描述与模型建立 |
| 3.3 基于混合GA-VOA求解加工时间可控的并行机调度问题 |
| 3.4 数值实验 |
| 3.5 本章小结 |
| 4 加工时间可控的多目标流水车间调度问题研究 |
| 4.1 引言 |
| 4.2 问题描述与模型建立 |
| 4.3 基于混合GA-GWO的MODGWO求解多目标流水车间调度 |
| 4.4 数值实验 |
| 4.5 本章小结 |
| 5 加工时间可控的多目标柔性作业车间调度问题研究 |
| 5.1 引言 |
| 5.2 问题描述与模型建立 |
| 5.3 基于MODVOA求解MOFJSP-CPT |
| 5.4 数值实验 |
| 5.5 本章小结 |
| 6 加工时间可控的车间调度实例应用 |
| 6.1 引言 |
| 6.2 加工时间可控的多目标流水车间调度问题实例 |
| 6.3 加工时间可控的多目标柔性作业车间调度问题实例 |
| 6.4 本章小结 |
| 7 总结与展望 |
| 7.1 全文总结 |
| 7.2 创新之处 |
| 7.3 工作展望 |
| 致谢 |
| 参考文献 |
| 附录 攻读博士学位期间发表学术论文目录 |
四、基于机器负载平衡求解非标准Job-Shop调度问题的算法（论文参考文献）
- [1]基于多Agent的航空结构件柔性制造车间动态调度方法研究[D]. 杨博见. 电子科技大学, 2021(01)
- [2]基于改进粒子群算法的柔性作业车间调度研究[D]. 陈魁. 宁夏大学, 2021
- [3]求解多目标柔性作业车间调度问题的两层遗传算法[J]. 张立果,黎向锋,左敦稳,张丽萍,唐浩. 计算机应用, 2020(S1)
- [4]集成式工艺规划与车间调度问题研究现状及发展[J]. 文笑雨,王康红,孙海强,高亮. 重庆大学学报, 2021(02)
- [5]基于改进遗传算法的柔性作业车间调度优化研究[D]. 张立果. 南京航空航天大学, 2020(07)
- [6]面向分布式制造的建材装备集团绿色生产调度研究[D]. 刘正超. 武汉理工大学, 2020
- [7]CPPS的多智能体架构与动态调度机制研究[D]. 曹乐. 北京交通大学, 2019(01)
- [8]基于遗传算法的航天制造执行系统的研究[D]. 谢飞强. 哈尔滨工业大学, 2019(02)
- [9]工艺不确定再制造车间调度算法研究[D]. 黄河知源. 湖南大学, 2017(07)
- [10]加工时间可控的多目标车间调度问题研究[D]. 卢超. 华中科技大学, 2017(10)